发明公布-202011200371.6-适用于深度学习金属注射成型烧结产品质量特征处理方法
-
以下内容整理自《发明公布-202011200371.6-适用于深度学习金属注射成型烧结产品质量特征处理方法.pdf》
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 112099460 A
(43)申请公布日 2020.12.18
(21)申请号 202011200371 .6
(22)申请日 2020 .11 .02
(71)申请人 常州微亿智造科技有限公司
地址 213100 江苏省常州市玉龙南路280号
4号楼2楼
(72)发明人 王闯
马元巍
顾徐波
潘正颐
(74)专利代理机构 常州至善至诚专利代理事务
所(普通合伙) 32409
代理人 赵旭
(51)Int .Cl .
G05B 19/418 (2006 .01)
G06N 3/04 (2006 .01)
G06N 3/08 (2006 .01)
G06N 20/00 (2019 .01)
B22F 3/22 (2006 .01)
权利要求书1页
CN 112099460 A
(54)发明名称
适用于深度学习金属注射成型烧结产品质
量特征处理方法
(57)摘要
本发明公开了一种适用于深度学习金属注
射成型烧结产品 质量特征处理方法 ，具体步骤
第一步骤、
收集现有不同烧结零件产品的试
验数据；
第二步骤、通过零件产品材料表整理出
零件产品材料；
第三步骤、通过零件图纸计算出
零件产品几何参数；
第四步骤、通过产品生产日
查找试验日期环境因素；
第五步骤、
对所有输
入参数进行标准化及归一化设置，
作为算法模型
训练所需的输入特征；
第六步骤、训练出具有迁
移学习能力的算法模型。该方法中增加了零件产
品材料、
零件产品几何参数以及环境因素这些参
数作为输入特征，
在新产品极少量试验数据情况
下，训练出具有迁移学习能力的算法模型，
对新产品在特定控制参数下的性能进行预测。
说明书5页
附图1页
CN 112099460 A
1/1 页
1 .一种适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于，
包括以下步骤：
第一步骤、
收集现有不同烧结零件产品的试验数据；
第二步骤、
通过零件产品材料表整理出零件产品材料；
第三步骤、
通过零件图纸计算出零件产品几何参数；
第四步骤、
通过产品生产日期，
查找试验日期环境因素；
第五步骤、对所有输入参数进行标准化及归一化设置，
作为算法模型训练所需的输入
特征；
第六步骤、训练出具有迁移学习能力的算法模型。
2 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
在所述的第一步骤中，
试验数据包括试验控制参数、零件位置、性能以及日期
信息，
所述的试验控制参数包括烧结温度、
升降温速度、
保温时间、
分压以及冷却水套流量，
所述的零件位置包括层数、
列数以及行数。
3 .根据权利要求2所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
所述的层数、
所述的列数以及所述的行数采用0ne-hot编码形式记录。
4 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
在所述的第二步骤中，
零件产品材料包括材料类型、
材料组分以及材料占比。
5 .根据权利要求4所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
所述的材料类型设置采用0ne-hot编码形式处理，
材料组分和材料占比采用数
值形式。
6 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
在所述的第三步骤中，
零件产品几何参数包括通孔水利直径与零件水利直径
之比、沉槽特征尺寸与零件水利直径之比、水利直径、最大厚度、最小厚度、外轮廓圆弧角
通孔形状、
通孔数量、
沉槽数量以及沉槽形状。
7 .根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
所述的通孔形状为圆形、
长圆形、
长方形、
椭圆或三角形。
8 .根据权利要求6所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
所述的沉槽形状为圆形、
长圆形、
长方形、
椭圆或三角形。
9 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
在所述的第四步骤中，
所述的环境因素包括环境温度、湿度信息、烧结控制温
度与环境温度差异、
水套进水温度、
水套出水温度以及水套流量，
将水套进水温度与环境温
度视同，
出水温度及流量采用试验值。
10 .根据权利要求1所述的适用于深度学习金属注射成型烧结产品质量特征处理方法，
其特征在于：
在所述的第六步骤中，
通过包含零件产品材料、零件产品几何参数，
根据输入
特征中零件产品几何参数的变化，
通过冻结部分参数权重，
训练出具有迁移学习能力的算
法模型，
从而对新产品在特定控制参数下的性能进行预测，
并且由于输入特征中包含环境
因素，
由此特征训练的算法可根据天气情况实时调整工艺参数。
CN 112099460 A
1/5 页
适用于深度学习金属注射成型烧结产品质量特征处理方法
技术领域
[0001] 本发明涉及深度学习模型的技术领域，
尤其是一种适用于深度学习金属注射成型
烧结产品质量特征处理方法。
背景技术
[0002] 在MIM金属注射成型技术领域中，
目前当厂家需要生产一种新的产品前，
普遍采用
DOE（Design of Experiment）试验设计来寻找烧结炉的一种可行参数（温度、
烧结时间和烧
结分压），
能够满足产品的良率要求，
以进行大规模投产。然而，
这种DOE试验方法比较依赖
人的经验，
且需要不断试验，
效率较低。通过引入深度学习的方法，
利用以往工厂的生产记
录和DOE试验记录，
可以形成一种深度学习模型，
模型学习以往经验，
能够较好地根据烧结
工艺参数推算出烧结产品的质量，
从而降低前期的试验周期，
得到合理的烧结温度和烧结
时间，
为企业带来价值。
[0003] 中国专利文献，
公开号为CN111283186A，
公开了一种烧结体制造装置和烧结体制
造方法，
该烧结体制造装置包括压制装置、机械加工装置、压坯输送路径、
未烧结材料输送
路径、托盘、压坯转移装置，
待用台架，
其构造成在压坯被移动到机械加工装置之前将放置
有压坯的托盘暂时保持在待用台架上待用，
在未烧结材料被转移到烧结炉之前将放置有未
烧结材料的托盘暂时保持在待用台架上待用；
输送侧转移装置，
其构造成通过将放置有压
坯的托盘保持且放置到待用台架将压坯转移到待用台架，
并通过将待用台架上的托盘保持
且放置到未烧结材料输送路径将未烧结材料转移到烧结炉；
未烧结材料转移装置，
其通过
仅保持未烧结材料将未烧结材料转移到烧结炉。该烧结体制造方法使用上述烧结体制造装
该专利并未涉及到算法模型的搭建及输入特征信息。
[0004]
另外，
常规深度学习的方法，
因为输入特征中不包含零件几何及材料信息，
因此模
型对其他零件性能的泛化迁移能力较差，
且不包含外部温度、
湿度情况，
因为无法考虑环境
因素影响，
不具备实时根据天气情况调整参数的功能。
发明内容
[0005] 本发明要解决的技术问题是：
为了解决上述背景技术中存在的问题，
提供一种适
用于深度学习金属注射成型烧结产品质量特征处理方法，
增加了零件产品材料、零件产品
几何参数以及环境因素这些参数作为输入特征，
在新产品极少量试验数据情况下，
训练出
具有迁移学习能力的算法模型，
从而对新产品在特定控制参数下的性能进行预测，
有效减
少新产品开发中试验及算法模型训练的工作量。
[0006] 本发明解决其技术问题所采用的技术方案是：
一种适用于深度学习金属注射成型
烧结产品质量特征处理方法，
具体包括以下步骤：
第一步骤、
收集现有不同烧结零件产品的试验数据；
第二步骤、
通过零件产品材料表整理出零件产品材料；
第三步骤、
通过零件图纸计算出零件产品几何参数；
CN 112099460 A
2/5 页
第四步骤、
通过产品生产日期，
查找试验日期环境因素；
第五步骤、对所有输入参数进行标准化及归一化设置，
作为算法模型训练所需的输入
特征；
第六步骤、训练出具有迁移学习能力的算法模型。
[0007] 进一步具体地说，
上述技术方案中，
在所述的第一步骤中，
试验数据包括试验控制
参数、
这个参数你们一般设多少？评论区说说。